AI Benchy リーダーボード

Name: AI BENCHY モデルベンチマーク結果
Creator: AI BENCHY
License: https://aibenchy.com/methodology/

ベンチマークは AI BENCHY テストスイートから次の日時に生成: 2026-10-19 評価済みモデル数: 451

451/451

順位	モデル	スコア	企業	合計コスト	応答時間（平均）
#403#403	Laguna M.1medium	3.9	Poolside	$0.033 ↕	14.73s
モデルカードを見る合計テスト数 19 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 43.5% 不安定なテスト 2 入力トークン 44,969 出力トークン 58,087 推論トークン 0 応答時間（平均） 14.73s 応答時間（合計） 220.93s 応答時間（最大） 53.14s API エラー: 4 不正解: 4 指示に従っていない: 1 回答なし: 1 エージェントタスク : 0.0 反AIトリック : 6.5 コーディング : 1.5 複合 : 1.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 3.0 指示追従 : 10.0 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#238#238	Qwen3.5-122B-A10Bnone	6.4	Qwen	$0.308 ↓	14.79s
モデルカードを見る合計テスト数 23 誤答テスト数 16 信頼性 10.0 試行ごとの合格率 36.2% 不安定なテスト 2 入力トークン 405,921 出力トークン 97,112 推論トークン 0 応答時間（平均） 14.79s 応答時間（合計） 340.25s 応答時間（最大） 212.63s 不正解: 13 指示に従っていない: 2 無効なツール呼び出し: 1 エージェントタスク : 10.0 反AIトリック : 4.8 コーディング : 3.7 複合 : 5.2 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.0 指示追従 : 6.3 パズル解決 : 3.8 ツール呼び出し : 10.0 雑学 : 3.0
#181#181	Minimax M3.1 Flashlow	7.1	Minimax	$0.000	14.84s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 55.1% 不安定なテスト 1 入力トークン 285,795 出力トークン 10,087 推論トークン 86,695 応答時間（平均） 14.84s 応答時間（合計） 341.25s 応答時間（最大） 133.79s 不正解: 9 API エラー: 1 無効なツール呼び出し: 1 エージェントタスク : 10.0 反AIトリック : 6.5 コーディング : 5.7 複合 : 7.2 データ解析と抽出 : 6.5 ドメイン特化 : 7.7 汎用知能 : 5.1 指示追従 : 6.3 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#155#155	GLM 5.3 FlashXhigh	7.4	Z.ai	$0.210	14.94s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 69.6% 不安定なテスト 5 入力トークン 235,914 出力トークン 8,147 推論トークン 89,581 応答時間（平均） 14.94s 応答時間（合計） 343.65s 応答時間（最大） 91.16s 不正解: 8 余分な書式: 1 指示に従っていない: 1 エージェントタスク : 10.0 反AIトリック : 8.2 コーディング : 8.2 複合 : 3.0 データ解析と抽出 : 7.3 ドメイン特化 : 3.6 汎用知能 : 6.1 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#73#73	Claude Sonnet 5.5xhigh	8.6	Anthropic	$1.516	14.98s
モデルカードを見る合計テスト数 23 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 79.7% 不安定なテスト 4 入力トークン 342,579 出力トークン 12,848 推論トークン 70,193 応答時間（平均） 14.98s 応答時間（合計） 344.60s 応答時間（最大） 54.92s 不正解: 3 余分な書式: 1 指示に従っていない: 1 無効なツール呼び出し: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 8.2 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 2.9 汎用知能 : 6.5 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#79#79	Claude Sonnet 5medium	8.5	Anthropic	$1.438	15.01s
モデルカードを見る合計テスト数 23 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 76.8% 不安定なテスト 3 入力トークン 353,658 出力トークン 54,891 推論トークン 18,370 応答時間（平均） 15.01s 応答時間（合計） 345.16s 応答時間（最大） 69.26s 不正解: 5 指示に従っていない: 1 無効なツール呼び出し: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 9.0 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.8 指示追従 : 9.9 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#9#9	Gemini 3.7 Flashhigh	9.8	Google	$0.528	15.10s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 95.7% 不安定なテスト 2 入力トークン 233,400 出力トークン 6,922 推論トークン 173,178 応答時間（平均） 15.10s 応答時間（合計） 347.23s 応答時間（最大） 91.63s 不正解: 2 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.8 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#233#233	GLM 5.3low	6.5	Z.ai	$0.215 ↓	15.18s
モデルカードを見る合計テスト数 23 誤答テスト数 11 信頼性 10.0 試行ごとの合格率 63.8% 不安定なテスト 5 入力トークン 247,871 出力トークン 10,791 推論トークン 17,315 応答時間（平均） 15.18s 応答時間（合計） 349.06s 応答時間（最大） 83.60s 不正解: 8 無効なツール呼び出し: 2 指示に従っていない: 1 エージェントタスク : 5.2 反AIトリック : 6.9 コーディング : 6.2 複合 : 3.8 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 4.1 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#340#340	KAT Coder AIR V2.5high	5.2	Kwaipilot	$0.077	15.23s
モデルカードを見る合計テスト数 23 誤答テスト数 16 信頼性 9.8 試行ごとの合格率 40.6% 不安定なテスト 5 入力トークン 50,423 出力トークン 4,144 推論トークン 110,510 応答時間（平均） 15.23s 応答時間（合計） 350.26s 応答時間（最大） 118.35s 不正解: 9 API エラー: 4 余分な書式: 3 エージェントタスク : 3.0 反AIトリック : 6.9 コーディング : 4.3 複合 : 6.5 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 5.1 指示追従 : 9.8 パズル解決 : 3.5 ツール呼び出し : 10.0 雑学 : 3.0
#398#398	Qwen3.6 Plus Previewmedium	4.0	Qwen	$0.000	15.25s
モデルカードを見る合計テスト数 19 誤答テスト数 10 信頼性該当なし試行ごとの合格率 39.1% 不安定なテスト 0 入力トークン 32,639 出力トークン 1,153 推論トークン 62,197 応答時間（平均） 15.25s 応答時間（合計） 182.96s 応答時間（最大） 43.55s API エラー: 8 不正解: 2 エージェントタスク : 0.0 反AIトリック : 8.3 コーディング : 1.0 複合 : 5.0 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 3.0 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#12#12	GPT-6.1 Solhigh	9.6	OpenAI	$0.755	15.46s
モデルカードを見る合計テスト数 23 誤答テスト数 2 信頼性 10.0 試行ごとの合格率 94.2% 不安定なテスト 1 入力トークン 174,960 出力トークン 5,780 推論トークン 34,728 応答時間（平均） 15.46s 応答時間（合計） 355.66s 応答時間（最大） 139.76s 不正解: 2 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 7.7 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 4.7
#317#317	Ling 3.1 Flashnone	5.5	Inclusionai	$0.000	15.75s
モデルカードを見る合計テスト数 23 誤答テスト数 18 信頼性 9.8 試行ごとの合格率 33.3% 不安定なテスト 5 入力トークン 286,758 出力トークン 85,777 推論トークン 0 応答時間（平均） 15.75s 応答時間（合計） 362.23s 応答時間（最大） 90.95s 不正解: 9 指示に従っていない: 5 回答なし: 2 余分な書式: 1 無効なツール呼び出し: 1 エージェントタスク : 6.1 反AIトリック : 3.6 コーディング : 4.5 複合 : 2.9 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 5.0 指示追従 : 8.0 パズル解決 : 7.7 ツール呼び出し : 4.7 雑学 : 3.0
#406#406	Nemotron 3.5 Lightningnone	3.8	NVIDIA	$0.009 ↕	15.92s
モデルカードを見る合計テスト数 23 誤答テスト数 20 信頼性 9.8 試行ごとの合格率 15.9% 不安定なテスト 2 入力トークン 97,418 出力トークン 4,779 推論トークン 0 応答時間（平均） 15.92s 応答時間（合計） 366.20s 応答時間（最大） 339.57s 不正解: 16 無効なツール呼び出し: 2 指示に従っていない: 1 タイムアウト: 1 エージェントタスク : 3.0 反AIトリック : 4.8 コーディング : 3.1 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.0 汎用知能 : 4.4 指示追従 : 6.5 パズル解決 : 3.1 ツール呼び出し : 2.8 雑学 : 3.0
#112#112	GPT-5.4 Nanomedium	8.0	OpenAI	$0.235 ↑	15.95s
モデルカードを見る合計テスト数 23 誤答テスト数 10 信頼性 10.0 試行ごとの合格率 66.7% 不安定なテスト 4 入力トークン 237,088 出力トークン 8,235 推論トークン 102,675 応答時間（平均） 15.95s 応答時間（合計） 366.93s 応答時間（最大） 94.06s 不正解: 8 指示に従っていない: 2 エージェントタスク : 10.0 反AIトリック : 8.3 コーディング : 6.1 複合 : 9.9 データ解析と抽出 : 10.0 ドメイン特化 : 5.9 汎用知能 : 4.5 指示追従 : 9.8 パズル解決 : 4.1 ツール呼び出し : 10.0 雑学 : 3.0
#41#41	Muse Wonderlow	9.1	Meta	$2.637	16.00s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 9.7 試行ごとの合格率 76.8% 不安定なテスト 1 入力トークン 244,997 出力トークン 11,148 推論トークン 71,699 応答時間（平均） 16.00s 応答時間（合計） 367.91s 応答時間（最大） 83.98s 不正解: 4 API エラー: 2 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 6.5 パズル解決 : 5.9 ツール呼び出し : 9.8 雑学 : 3.0
#330#330	Hy3 previewmedium	5.3	Tencent	$0.049 ↕	16.28s
モデルカードを見る合計テスト数 21 誤答テスト数 7 信頼性 10.0 試行ごとの合格率 60.9% 不安定なテスト 0 入力トークン 27,030 出力トークン 73,544 推論トークン 0 応答時間（平均） 16.28s 応答時間（合計） 293.12s 応答時間（最大） 46.04s API エラー: 3 不正解: 3 指示に従っていない: 1 エージェントタスク : 0.0 反AIトリック : 10.0 コーディング : 5.3 複合 : 5.0 データ解析と抽出 : 6.5 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#191#191	Grok 4.6low	6.9	X AI	$0.781	16.44s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 66.7% 不安定なテスト 1 入力トークン 263,427 出力トークン 6,006 推論トークン 36,309 応答時間（平均） 16.44s 応答時間（合計） 378.14s 応答時間（最大） 57.97s 不正解: 8 エージェントタスク : 5.0 反AIトリック : 10.0 コーディング : 5.5 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 3.0 汎用知能 : 10.0 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#39#39	Claude Haiku 5.5xhigh	9.1	Anthropic	$0.140	16.58s
モデルカードを見る合計テスト数 23 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 81.2% 不安定なテスト 2 入力トークン 394,509 出力トークン 10,349 推論トークン 188,919 応答時間（平均） 16.58s 応答時間（合計） 381.40s 応答時間（最大） 92.74s 不正解: 2 余分な書式: 1 指示に従っていない: 1 回答なし: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 10.0 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 5.0 指示追従 : 10.0 パズル解決 : 7.6 ツール呼び出し : 10.0 雑学 : 3.0
#298#298	DeepSeek V4.1 Flashnone	5.8	DeepSeek	$0.391 ↑	16.63s
モデルカードを見る合計テスト数 23 誤答テスト数 16 信頼性 9.7 試行ごとの合格率 36.2% 不安定なテスト 3 入力トークン 337,756 出力トークン 292,779 推論トークン 0 応答時間（平均） 16.63s 応答時間（合計） 382.53s 応答時間（最大） 247.66s 不正解: 11 指示に従っていない: 2 API エラー: 1 無効なツール呼び出し: 1 回答なし: 1 エージェントタスク : 7.4 反AIトリック : 3.7 コーディング : 5.5 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 7.7 汎用知能 : 5.5 指示追従 : 6.5 パズル解決 : 5.3 ツール呼び出し : 10.0 雑学 : 3.0
#113#113	Gemini 3.8 Flashmedium	8.0	Google	$0.769	16.64s
モデルカードを見る合計テスト数 23 誤答テスト数 4 信頼性 9.9 試行ごとの合格率 89.9% 不安定なテスト 3 入力トークン 187,331 出力トークン 7,555 推論トークン 159,931 応答時間（平均） 16.64s 応答時間（合計） 382.64s 応答時間（最大） 108.60s 不正解: 2 無効なツール呼び出し: 1 タイムアウト: 1 エージェントタスク : 2.8 反AIトリック : 10.0 コーディング : 8.0 複合 : 8.7 データ解析と抽出 : 10.0 ドメイン特化 : 8.2 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 10.0
#96#96	Claude Opus 4.8medium	8.3	Anthropic	$3.490	16.72s
モデルカードを見る合計テスト数 23 誤答テスト数 6 信頼性 10.0 試行ごとの合格率 82.6% 不安定なテスト 3 入力トークン 360,294 出力トークン 43,441 推論トークン 24,401 応答時間（平均） 16.72s 応答時間（合計） 384.66s 応答時間（最大） 99.37s 不正解: 5 回答なし: 1 エージェントタスク : 6.1 反AIトリック : 10.0 コーディング : 10.0 複合 : 9.9 データ解析と抽出 : 7.1 ドメイン特化 : 3.6 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 10.0 ツール呼び出し : 10.0 雑学 : 3.0
#58#58	Claude Fable 5medium	8.9	Anthropic	$5.089	16.84s
モデルカードを見る合計テスト数 23 誤答テスト数 5 信頼性 10.0 試行ごとの合格率 79.7% 不安定なテスト 1 入力トークン 272,411 出力トークン 35,497 推論トークン 11,788 応答時間（平均） 16.84s 応答時間（合計） 387.26s 応答時間（最大） 80.80s 回答なし: 3 無効なツール呼び出し: 1 不正解: 1 エージェントタスク : 10.0 反AIトリック : 10.0 コーディング : 10.0 複合 : 6.5 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 10.0 パズル解決 : 7.7 ツール呼び出し : 10.0 雑学 : 3.0
#372#372	Qwen3 Coder Nextmedium	4.7	Qwen	$0.071 ↑	16.97s
モデルカードを見る合計テスト数 23 誤答テスト数 20 信頼性 10.0 試行ごとの合格率 24.6% 不安定なテスト 4 入力トークン 311,647 出力トークン 40,395 推論トークン 0 応答時間（平均） 16.97s 応答時間（合計） 305.55s 応答時間（最大） 151.35s 不正解: 15 指示に従っていない: 3 回答なし: 1 タイムアウト: 1 エージェントタスク : 5.0 反AIトリック : 3.5 コーディング : 3.7 複合 : 3.0 データ解析と抽出 : 6.5 ドメイン特化 : 3.6 汎用知能 : 6.3 指示追従 : 6.3 パズル解決 : 3.0 ツール呼び出し : 10.0 雑学 : 3.0
#159#159	Inklingmedium	7.4	Thinkingmachines	$0.527 ↓	16.98s
モデルカードを見る合計テスト数 23 誤答テスト数 8 信頼性 10.0 試行ごとの合格率 75.4% 不安定なテスト 5 入力トークン 257,138 出力トークン 13,830 推論トークン 55,775 応答時間（平均） 16.98s 応答時間（合計） 390.45s 応答時間（最大） 85.12s 不正解: 5 無効なツール呼び出し: 2 回答なし: 1 エージェントタスク : 4.7 反AIトリック : 8.7 コーディング : 8.4 複合 : 7.3 データ解析と抽出 : 10.0 ドメイン特化 : 5.3 汎用知能 : 10.0 指示追従 : 9.8 パズル解決 : 10.0 ツール呼び出し : 3.0 雑学 : 2.8
#429#429	Nemotron 3 Nano Omni 30b A3b Reasoningmedium	2.7	NVIDIA	$0.000	17.13s
モデルカードを見る合計テスト数 19 誤答テスト数 15 信頼性 10.0 試行ごとの合格率 26.1% 不安定なテスト 5 入力トークン 11,661 出力トークン 48,491 推論トークン 180,695 応答時間（平均） 17.13s 応答時間（合計） 222.66s 応答時間（最大） 147.45s 不正解: 7 API エラー: 6 指示に従っていない: 1 回答なし: 1 エージェントタスク : 0.0 反AIトリック : 6.4 コーディング : 1.1 複合 : 1.5 データ解析と抽出 : 7.3 ドメイン特化 : 2.9 汎用知能 : 3.0 指示追従 : 7.3 パズル解決 : 2.9 ツール呼び出し : 3.0 雑学 : 3.0

ベンチマーク全体の推移

現在のモデルがスコア、コスト、速度、出力の長さ、カテゴリ別性能をどう両立しているか確認できます。

チャート →

知能とコストのパレートフロンティア

主要企業の最高スコアの推移

知能と応答速度のパレートフロンティア

スコアと出力トークンのパレートフロンティア

モデル全体で見たカテゴリ難易度

クイック比較

Gemini 3.6 FlashhighvsGemini 3.8 Flashhigh Gemini 3.8 FlashhighvsGPT-6 Solhigh GPT-6 SolhighvsGPT-6.1 Solmax GPT-6.1 SolmaxvsGPT-6 Astramax GPT-6 AstramaxvsGPT-6.1 Solxhigh GPT-6.1 SolxhighvsGPT-6 Astrahigh GPT-6 AstrahighvsGemini 3.7 Flashhigh Gemini 3.7 FlashhighvsGemini 3.6 Flashmedium Gemini 3.6 FlashmediumvsGPT-6.1 Solmedium GPT-6.1 SolmediumvsGPT-6.1 Solhigh GPT-6.1 SolhighvsGPT-5.6 Sollow GPT-5.6 SollowvsGPT-6 Astralow